datamodelling–...auf basis von datawarehouses pd dr. peter gluchowskidr. michael hahne 15. juni...

1

© PD Dr. Peter Gluchowski, Dr. Michael Hahne, 2005 SA2 / 0 / 1

Data Modelling –Corporate Performance Management

auf Basis von Data Warehouses

PD Dr. Peter Gluchowski Dr. Michael Hahne

15. Juni 2005

TDWI 05 Deutschland

Agenda

1) Abgrenzung und Einordnung von CPM und BI2) Architekturen und Komponenten analyseorientierter Informationssysteme3) Bestandteile multidimensionaler Datenstrukturen4) Methoden der semantischen Modellierung mehrdimensionaler Datenstrukturen5) Umsetzung mit multidimensionalen Datenbanksystemen6) Varianten und Bestandteile des Star Schemas7) Erweitertes Star Schema des SAP Business Information Warehouse8) Mehrdimensionales Datenmodell des Microsoft SQL Server9) Zusammenfassende Gegenüberstellung relationaler und multidimensionaler

Modellierung

2

Kontakt:

Dr. Michael HahneFreiherr-vom-Stein-Str. 13a55559 BretzenheimGermany

Email: [email protected]: www.hahneonline.de

PD Dr. Peter GluchowskiBrauckmanns Knapp 8c58313 HerdeckeGermany

Email: [email protected]

URL: http://www.uni-duesseldorf.de/ HHU/fakultaeten/wiwi/lehrstuehle/ fachgebStatOekon/Personalia/ Gluchowski

1

PD Dr. Peter Gluchowski

Agenda1) Abgrenzung und Einordnung von CPM und BI2) Architekturen und Komponenten analyseorientierter Informationssysteme3) Bestandteile multidimensionaler Datenstrukturen4) Methoden der semantischen Modellierung mehrdimensionaler

Datenstrukturen5) Umsetzung mit multidimensionalen Datenbanksystemen6) Varianten und Bestandteile des Star Schemas7) Erweitertes Star Schema des SAP Business Information Warehouse8) Mehrdimensionales Datenmodell des Microsoft SQL Server

9) Zusammenfassende Gegenüberstellung relationaler und multidimensionaler Modellierung


Corporate Performance ManagementCorporate Performance Management umfasst

– Methodologien (z. B. Balanced Scorcards)– Prozesse (z. B. Planungs- und

Budgetierungsprozesse)– Metriken (Performance-

Kennzahlen, z. B. ROI) und– Systemlösungen

(z. B. Business Intelligence)

zur zielgerichteten Umsetzung von Unternehmensstrategien.

Operative Ebene

Operationalisierungder Strategie

Strategischer Management-Zyklus

Operativer Management-Zyklus

ManagementEbene

SWOT-Analyse

StrategischeRückkopplung

Strategie-Formulierung

KommunikationStakeholder

OperativeLeistungsmessung

Entscheidungüber Maßnahmen

Durchführung

Quelle: Gartner Research 2002

2


Corporate Performance ManagementGeschäftsstrategie

Ziele

GeschäftsanalyseMetriken

Analyse-Systeme

GeschäftsbetriebGeschäftsprozesse

Operative Systeme

Entscheidungen Aktionen

ZyklustaktQuelle: W. Martin, EAI 2003, März 2003

ClosedLoop


Business Intelligence• Gesamtheit aller Werkzeuge und Anwendungen mit

entscheidungsunterstützendem Charakter, die zur besseren Einsicht in das eigene Geschäft und damit zum besseren Verständnis in die Mechanismen relevanter Wirkungsketten

• Begriffliche Klammer, die eine Vielzahl unterschied-licher Ansätze zur Analyse geschäftsrelevanter Daten zu bündeln versucht (kein neues Konzept / Produkt)

3


Agenda1) Abgrenzung und Einordnung von CPM und BI2) Architekturen und Komponenten analyseorientierter Informationssysteme3) Bestandteile multidimensionaler Datenstrukturen4) Methoden der semantischen Modellierung mehrdimensionaler Datenstrukturen5) Umsetzung mit multidimensionalen Datenbanksystemen6) Varianten und Bestandteile des Star Schemas7) Erweitertes Star Schema des SAP Business Information Warehouse8) Mehrdimensionales Datenmodell des Microsoft SQL Server

9) Zusammenfassende Gegenüberstellung relationaler und multidimensionaler Modellierung


DataWarehouse

DataWarehouse

ExecutiveInformation Systems

ExecutiveInformation Systems

1970 1980 1990 2000

Unt

erst

ützu

ngsg

rad

bei

Man

agem

enta

ufga

ben

Management Information SystemsManagement Information Systems

Decision Support SystemsDecision Support Systems

Zeit

MIS

DSS

EIS

MSS

On-Line AnalyticalProcessing

Historie der BI-Systeme

4


Data Warehouse-KonzeptData Warehouse (DW) =

“A subject oriented, integrated, nonvolatile, time variant collectionof data organized to support management needs”W. H. Inmon, Building the Data Warehouse, New York u. a. 1993, S. 29.

§ subject oriented Themenorientierung§ integrated Vereinheitlichung § nonvolatile Dauerhaftigkeit, Stabilität§ time variant Zeitorientierung der Informationen§ management needs Analyse und Entscheidungsunterstützung


• umfasst die Serverkomponenten einer Systemlösung, die für die unternehmensweite Daten-versorgung der Front-End-Systeme zur Informationsbereitstellungund Entscheidungsunterstützung betrieblicher Fach- und Führungskräfte zuständig sind,

• ist physikalisch von den operativen Vorsystemen getrennt und• baut lediglich zum Zweck der periodischen Datenaktualisierung bzw. -ergänzung Verbindungen zu den operativen DV-Systemen auf.

MSS

Operative Unternehmensdaten

Data Warehouse

Operative Informationssysteme

Data Warehouse

5

PD Dr. Peter GluchowskiOperative Vorsysteme

SAP, Baan, .. PAISY, ...

Endbenutzer

ABAP,Berichts-generatoren,Excel, ...

Probleme:• zahlreiche Schnittstellen

• Belastung der operativen Systeme

• inkonsistente undstarre Berichte

• keine Historie• kaum Interaktion• lange Laufzeiten

Entwicklungsstufen analytischer Informationssysteme –(Durchgriff auf operative Systeme)


Endbenutzer Probleme:• komplexe Import-Schnittstelle

• Administrations-aufwand für DB

• umfangreiche Berichtsdatenbank(Laufzeiten)

• kaum Interaktion• interaktive Nutzungdurch den End-anwender z.B. fürneue Berichte kaummöglich

Import-Schnittstelle

Data Warehouse

...

Entwicklungsstufen analytischer Informationssysteme –(Unternehmensweites Data Warehouse)


6


EndbenutzerProbleme:• Anzahl derSchnittstellen

• viele DBs• Konsistenz der Daten

Import

Abteilungs-datenbank

...

Import

Abteilungs-datenbank

Entwicklungsstufen analytischer Informationssysteme –(Data Marts ohne Data Warehouse)



EndbenutzerProbleme:• komplexe Lösung• lange Projektlauf-zeit bis zu erstenErgebnissen

• viele Einzel-komponenten

Data Mart


Data Warehouse

Data Mart

Entwicklungsstufen analytischer Informationssysteme –(Data Marts mit Data Warehouse)


7


Entwicklungsstufen analytischer Informationssysteme –(Enterprise) Data Warehouse und Data Marts

Operative Vorsysteme

Endbenutzer

Data Mart


Data Warehouse

Data Mart


Externe Daten


Entwicklungsstufen analytischer Informationssysteme –Operational Data Store


Endbenutzer

Data Mart

Data Warehouse

Data Mart


Externe Daten

Operational Data Store


8


Analytische Informationssysteme –Oberflächentechnologien

Data Mart

Data Warehouse

Data Mart

Externe Daten

Operational Data Store


-Berichts-systeme

OLAP-Frontends

Data Mining

Endb

enut

zer

Endb

enut

zer --

wer

kzeu

gew

erkz

euge

Portale


-

ETLETL--SystemSystem

Operative VorsystemeOperative Vorsysteme

ZentraleZentraleDatenbasis Datenbasis

Archivierungs

Archivierungs --

systemsystem

Metadaten

Metadaten --

banksystembanksystem Enterprise Enterprise DataData WarehouseWarehouse//

Operational Operational DataData StoreStore

ExterneExterneDatenDaten

AbfrageAbfrage-- und und BerichtssystemeBerichtssysteme

OLAPOLAP--FrontendFrontend

ExecutiveExecutiveInformation Systeme Information Systeme

Data Data MiningMining

Data Data MartMart Data Data MartMartOLAP ServerOLAP Server

Endb

enut

zer

Endb

enut

zer --

wer

kzeu

gew

erkz

euge

Dat

a W

areh

ouse

Dat

a W

areh

ouse

Aktuelles DW-Architektur-Konzept

9


On-Line Analytical Processing (OLAP)• Software-Technologie, die Managern schnelle,

interaktive und vielfältige Zugriffe auf relevante und konsistente Informationen ermöglicht

• zwölf Evaluationsregeln nach Codd/Codd/Salley

dynamische, multidimensionale Analysen auf konsolidierten

Unternehmensdatenbeständen

dynamische, multidimensionale Analysen auf konsolidierten

Unternehmensdatenbeständen


On-Line Analytical Processing (OLAP)• Mehr- / Multidimensionalität:

– Anordnung betriebswirtschaftlicher Variablen (z.B. Kennzahlen) entlang mehrerer, unter-schiedlicher Dimensionen (z. B. Region, Artikel, Produkte, Zeit, Kunden)

45 60 56

15 54 80

23 40 45

REGION

PR

OD

UK

T

ZEIT

10


OLAP-Gestaltungsvarianten

Datenbank-Schicht

Applikations-Schicht

Repräsentations-schicht

RelationaleDatenbank

Multidim.Datenbank

RelationaleDatenbank

2-Tier-Architekturmit Fat-Clients

3-Tier-Architekturmit OLAP-Engine

2-Tier-Architekturmit MDB

ROLAP MOLAP


Weites BI-Verständnis

Weites BI-Verständnis

Analyseorientiertes BI-Verständnis

Analyseorientiertes BI-Verständnis

BI-Begriffsverständnisse

Enges BI-Verständnis

Enges BI-Verständnis

Daten-bereit-

stellung

Daten-aus-

wertung

Prozess-schwerpunkt

Prozess-schwerpunkt

AnwendungTechnik Orien-tierungOrien-tierung

ETLETL DataWarehouse

DataWarehouse

Data / TextMining

Data / TextMining

Kennzahlen /Balances Scorecards

Kennzahlen /Balances Scorecards

Standard-ReportingStandard-Reporting

Ad-Hoc-ReportingAd-Hoc-

Reporting

MIS / EIS / DSS

MIS / EIS / DSSOLAPOLAP

PortalePortaleIntelligente

AgentenIntelligente

Agenten

Planung /Konsolidierung

Planung /Konsolidierung

Analytisches CRM

Analytisches CRM

11


Aktuelle Entwicklungen –Real Time Enterprise

Anforderungen an „Echtzeit-Unternehmen“• Integrierte Echtzeit-Information über Abteilungs-/Bereichsgrenzen hinweg• Integration über Unternehmensgrenzen im Rahmen kollaborativer

Geschäftsmodelle• Ausrichtung auf Geschäftsereignisse



Enterprise Application Integration-Bus


Aktuelle Entwicklungen –Process Performance Management bzw.

Business Activity Monitoring

Kontinuierliche Messung Relevanter Prozesskenn-zahlen und unmittelbare Anzeige bzw. Berichts-erzeugung

1

© Dr. Michael Hahne 2005 TDWI-G 05 / 3 / 1

1) Abgrenzung und Einordnung von CPM und BI2) Architekturen und Komponenten analyseorientierter Informationssysteme3) Bestandteile multidimensionaler Datenstrukturen4) Methoden der semantischen Modellierung mehrdimensionaler

Datenstrukturen5) Umsetzung mit multidimensionalen Datenbanksystemen

6) Varianten und Bestandteile des Star Schemas7) Erweitertes Star Schema des SAP Business Information Warehouse8) Mehrdimensionales Datenmodell des Microsoft SQL Server9) Zusammenfassende Gegenüberstellung relationaler und multidimensionaler

Modellierung

Agenda


Agenda

• Phasen der Datenmodellierung

• Grundbestandteile mehrdimensionaler Datenstrukturen

• Hierarchische Dimensionsstrukturen

• Gestaltungsempfehlungen für die Modellierung

2


Agenda






Betriebswirtschaftliche

Problemstellung

Fachkonzept

DV-Konzept

Technische

Implementierung

InformationstechnikQuelle:Scheer, A.-W.: Wirtschaftsinformatik - Referenzmodelle für industrielle Geschäftsprozesse, 3. Aufl., Berlin u.a. 1990.

Analyse

Design/Entwurf

Implementierung/Realisierung

Beschreibungsebenen betrieblicher Informationssysteme

3


Ebenen der Datenmodellierung

SemantischesDatenmodell

LogischesDatenmodell

PhysischesDatenmodell


Agenda





4


Zahlenwürfel

40

50

80

20 15

70

35

20

30

...

...

...

...

...

... ... ... ...

...

...

............

...


Zahlenwürfel mit betriebswirtschaftlichem Bezug

Artikel

Region

471147124713

Nor

d

Ost

Süd

Wes

t

40

50

80

20 15

70

35

20

30

...

...

...

...

...

... ... ... ...

...

...

............

...

Periode

01/9802/98

Absatzmenge

5


1. Betriebswirtschaftliche Variablen(Meßgrößen, Kennzahlen, Fakten)

2. Dimensionen

3. Dimensionshierarchien

4. Regeln

Strukturkomponenten


Betriebswirtschaftliche Variablen (Kennzahlen)

Kennzahlentypen• Statistische Form

• Gegenstand (Mengen / Werte, Zeitpunkt / Zeitraum)• Objektbereich (Gesamtwirtschaftlich, Konzern, Teilbetrieb)

Absolute Kennzahlen(z.B. Beschäftigte, Umsatz,Bilanzsumme)

Relative Kennzahlen• Gliederungszahlen(z.B. Anlagevermögen/Gesamtvermögen)

• Beziehungszahlen(z.B. Gewinn/Eigenkapital)

• Indexzahlen(z.B. Lohnkosten heute * 100 / Lohnkosten Vorjahr)

Kennzahlendefinition• Zahl, die betriebliche und außerbetriebliche Informationen in aussagekräftiger,

komprimierter Form wiedergibt

6


Kennzahlensysteme

• Zusammenstellung unterschiedlicher Kennzahlen zur rechentechnischen Systematisierung

• Einzelkennzahlen stehen in sachlich sinnvoller Beziehung zueinander

+

-

*

:


Bekannte Kennzahlensysteme

• RL-Kennzahlenschema von Reichmann/Lachnit• ZVEI-Kennzahlenschema• Du-Pont-Kennzahlenschema

Gewinn in %des invest. Kapitals

Gewinn in % des Umsatzes

Gewinn

Umsatz

Deckungsbetrag

Nettoumsatz

Bruttoumsatz

Produktions-programm

Absatzwege

Variable Umsatzkosten

Fertigungs-material

Fertigungslöhne

Sonst. var. Fert.-gemeinkosten

Fixe Kosten Fertigungs-gem.kosten

Verwaltungs-gem.kosten

Vertriebs-gem.kosten

Kapitalumschlag

Investiertes Kapital

Umlauf-vermögen

Anlage-vermögen Zahlungs-

mittel

Forderungen

Bestände

Erlös-schmälerungen

Umsatz

Quelle:Küting, Karlheinz,Kennzahlensysteme in der betrieblichen Praxis,in: WiSt, Heft 6, Juni 1983, S. 292

7


Kennzahlen als Bestandteile multidimensionaler Datenstrukturen

• Betrachtung von Einzelkennzahlen

• Betrachtung mehrerer Kennzahlen

Zeit

Artikel

Region

20 ..... ...............

.....

..... ...............

5080

Absatzmenge

Zeit

StückErlösDB1...

Artikel

20 ..... ...............

.....

..... ...............

5080

Vertrieb

Kennzahlen-dimension


Dimensionen

• Aufgabe:Aufgliederung / Konkretisierung von Kennzahlen bzw. Zahlenwerten

• Inhalt:Sachlogisch zusammengehörige Umweltobjekte, gleichen Geschäftsaspekt betreffend

• Ausprägungen:– Einzelobjektdimensionen (Element bestimmt)

wenige, aufzählbare Dimensionselemente (z.B. Szenario- oder Kennzahlendimension)

– Mengendimensionen (Ebenen bestimmt)viele bis sehr viele Dimensionselemente (z.B. Kunden- oder Artikeldimension)Beschreibung nur über Objektmengen

8


Dimensionskomponenten

Dimensionselemente

Basiselemente bzw. unabhängige Elemente

Abgeleitet bzw. verdichtete Elemente

Hierarchiestufe bzw.Konsolidierungsebene (Level)

Granularität


Typisierung

Jahr

Quartal

Monat

Konsolidierungs-stufen

Jan 03 Feb 03 Mar 03 Apr 03 May 03 Jun 03 Jul 03 Aug 03 Sep 03 Oct 03 Nov 03 Dec 03

Q1/03 Q4/03Q3/03Q2/03

2003

9


Attribute

DimensionZeit

Jahr

Monat

Tag

Attribute allerDimensionselemente

Attribute der Elementeder Ebene Jahr

Attribute der Elementeder Ebene Monat

Attribute der Elementeder Ebene Tag

Attribute derDimension

Attribute derEbene Jahr

Attribute derEbene Monat

Attribute derEbene Tag


Dimensionstypen

• Standarddimensionen (z.B. Artikel, Kunden, Regionen)

• Kennzahlendimension (Measure Dimension)

• Szenario- bzw. Wertartdimension (Plan, Ist, Soll, ...)

• Zeitdimension (vorbestimmte Struktur)

10


- Würfelübergreifende VerknüpfungsregelnOLAP-Join: Verbindung zwischen Würfeln (Multicube-Ansatz)

- IntegritätsregelnHierarchische Integrität bei nicht dynamischer Berechnung

- Regeln für die Behandlung von Ausnahmenz.B. Konsolidierungs-Sonderfälle

Weitere Regeln


Agenda





11


Flache Struktur

A2 A3 A4 A5 A6 A7 A8 A9A1


Typisierte flache Struktur

A

12


Flache Struktur mit totaler Verdichtung

A2 A3 A4 A5 A6 A7 A8 A9A1

Alle


Typisierte flache Struktur mit totaler Verdichtung

A

Alle

13


Baumstruktur

A2 A3 A4 A5 A6 A7 A8 A9A1

Alle

AG2 AG3AG1


Typisierte Baumstruktur

A

Alle

AG

14


Baumstruktur mit unterschiedlichen Tiefen Variante I

A2 A3 A4 A5 A6 A7 A8 A9A1

Alle

AG2 AG3AG1

AOG1


Typisierte Baumstruktur mit unterschiedlichen Tiefen Variante I

A

Alle

AG

AOG

15


Baumstruktur mit unterschiedlichen Tiefen Variante II

A2 A3 A4 A5 A6 A7 A8 A9A1

Alle

AUG2 AG2AUG1

AG1


Typisierte Baumstruktur mit unterschiedl. Tiefen Variante II

A

Alle

AUG

AG

16


Parallele Hierarchie

A2 A3 A4 A5 A6 A7 A8 A9A1

AG2 AG3AG1PG1 PG2

Alle


Typisierte parallele Hierarchie

A

AGPG

Alle

17


Heterarchie (m:n-Beziehungen)

A2 A3 A4 A5 A6 A7 A8 A9A1

Alle

AG2 AG3AG1


Typisierte Heterarchie

A

Alle

AG

degin = 2 degin = 1

A

Alle

AG

Mit Unterscheidung der„Kardinalität“ der Kanten

Ohne Unterscheidung der„Kardinalität“ der Kanten

18


Sonderfall:Anteilige Verrechnung

60% 40%

Anteilige Verrechnung

A2 A3 A4 A5 A6 A7 A8 A9A1

Alle

AG2 AG3AG1


Ausnahmeregeln für nicht-additive Kennzahlen

z.B. Preis, Lagerendbestand

Einzel-artikel

Artikel-gruppen

100 300 200Artikelpreise

800 ??

Gegebenenfalls sinnvoll:Durchschnittsberechnung oderletzter Wert

Zu beachten:Semi-additive Größen(Lagerendbestände lassen sich zwar sinnvoll über alle Lagerorte addieren, nicht jedoch über die Zeit)

Regeln (Additivitätseigenschaften)

A2 A3 A4A1

AG1

200

19


Zeitabhängigkeit: Strukturelle Veränderungen in Dimensionen

P1 P2 P3 P4 P5

PG1 PG2

P1 P2 P3 P5 P6

PG1 PG2Strukturveränderungen

P4 gelöschtP6 hinzugefügtP3 verändert


Lösungsalternativen bei Strukturbrüchen

• Anpassung des historischen Datenmaterials an neue StrukturenVorteile: Keine Aufblähung des Datenbestandes; Datenstrukturen bleiben überschaubarNachteile: Alte Strukturen sind verloren; Anwender wollen u. U. Berichte mit alten Strukturen

• Separate Speicherung des historischen Datenbestandes zusätzlich zumKomplettbestand mit neuen StrukturenVorteile: Alte Auswertungen können abgerufen werdenNachteile: Datenvolumen; aufwendige Aktualisierung, wenn Anwender auch neue Zahlen in den alten Strukturen sehen wollen; verwirrend für Endbenutzer

• Aufbau paralleler Hierarchien mit alten/neuen StrukturenVorteile: Alle Zahlen können mit beliebigen Strukturen angezeigt werdenNachteile: Dimensionsstruktur kaum überschaubar

• Temporale Datenbanken - GültigkeitsstempelVorteile: Alle Zahlen können mit beliebigen Strukturen angezeigt werdenNachteile: Performance; Konzepte noch nicht ausgereift

20


Agenda






Gestaltungsüberlegungen der Dimensionsmodellierung auf semantischer Ebene

• Anzahl der Dimensionen zwischen vier und zehn (ideal zwischen sechs und acht)

• Anzahl der Hierarchiestufen (maximal sieben Hierarchiestufen)

• Anzahl der Elemente je Konsolidierungselement (maximal fünfzehn bis zwanzig Elemente)

• Bestimmung von Dimensionen (1:1-Beziehungen ungeeignet; 1:N-Beziehungen bilden Dimensionshierarchie; M:N-Beziehungen stellen zwei Dimensionen dar)

1

SA2 / 3 / 1

Agenda


Datenstrukturen5) Umsetzung mit multidimensionalen Datenbanksystemen6) Varianten und Bestandteile des Star Schemas7) Erweitertes Star Schema des SAP Business Information Warehouse8) Mehrdimensionales Datenmodell des Microsoft SQL Server9) Zusammenfassende Gegenüberstellung relationaler und multidimensionaler

Modellierung

SA2 / 3 / 2

Artikel Periode

Preis

Vertrieb

Mitarbeiter

Einkaufs-preis

Absatz-menge Erlös

1n

1n

1n

1n

1n

Kunde

1n

Lieferant 1n

ER-Modellierung multidimensionaler Datenstrukturen

2

SA2 / 3 / 3

Tag

Monat

Jahr

Woche

Periode

1

n

n

1n

1

1

n

Erweiterung eER zur Darstellung von Dimensionshierarchien

SA2 / 3 / 4

Filiale

v

Region

v

Land

v

Gebiet

v

Gesamt

Tag

v

Jahr

v

Quartal

v

Monat

Einzel

v

Gesamt

v

Marke

v

Gruppe

Artikel

Sondermodell-gruppe

Vertriebsweg

Ord

Kennzahlen Szenario

Netto-erlös

Bruttoerlös Erlösschm. Var. Kost. Plan Ist

DB1 Abw.

isa isa

isa

Ord

Ord

Ord

v für „ verdichtet zu“

Quelle: Totok, A., Semantische Modellierung von multidimensionalen Datenstrukturen - Vortragsunterlagen, Workshop des GI-Arbeitskreises MDDB, 27.4.98, Darmstadt

Beispiel ER-Modellierung multidimensionaler Datenstrukturen

Zeit

Vertriebsweg

3

SA2 / 3 / 5

Darstellungsobjekte im ME/R-Modell

Ebenen-Name

Roll-UpBeziehungstyp

DimensionsebenenEntitytyp

Fakt-Name

Fakt-beziehungstyp

Quelle: Sapia, Carsten; Blaschka, Markus; Höfling, Gabriele;, Dinter, Barbara: Extending the E/R Model for theMultidimensional Paradigm. In: Proceedings of the Advances in Databases Technologies Conference, November 19-20, 1998, Singapore

SA2 / 3 / 6

Beispiel eines ME/R-Modells

Vertrieb Tag

Monat

Quartal

Jahr

Filiale Gebiet Land

Region

GesamtSzenario

Artikel

Absatz-menge Erlös

4

SA2 / 3 / 7

Grenzen der ER-Notation

• Unzulängliche Möglichkeiten zur Abbildung von Einzelobjekten (Kennzahlen, Szenario)

• Konzentration auf Objektklassen

• Verknüpfungen zwischen Einzelobjekten (z.B. relative Kennzahlen) wird nicht unterstützt

SA2 / 3 / 8

Fakt-Attribut

Vertrieb

VerkaufsmengeErlösWocheMonat StadtFiliale Land

Vertriebs-manager

Adresse

Typ

Produkt

Kategorie

Größe

Hersteller

Dimension

Hierarchie

Nicht-dimensionalesAttribut

FaktQuelle: Golfarelli, Matteo; Maio, Dario; Rizzi, Stefano: Conceptual Design of Data Warehouses from E/R Schemas. In: Proceedings of the Hawaii International Conference On System Sciences, January 6-9, 1998, Kona, Hawaii.

Dimensional Fact Modeling

5

SA2 / 3 / 9

Vertrieb

VerkaufsmengeErlös

KäuferzahlBestand

WocheMonat StadtFiliale Land

Vertriebs-manager

Adresse

Typ

Produkt

Kategorie

Größe

Hersteller

Durchschnitt

Aggregation im Dimensional Fact Modeling

Alternative Aggregationfür Kennzahl Bestand in Dimension Woche

Eingeschränkte Addierbarkeit für Kennzahl Käuferzahl in allen Dimensionen

SA2 / 3 / 10

Objekte der Dimensionsmodellierung in ADAPT

Dimension

Hierarchy

Level{ }

Attribute{ } Scope

{ } Member

Model

6

SA2 / 3 / 11

Elementbestimmte Dimension

Szenario

{ } Ist

{ } Plan

{ } Abweichung

Ist - Plan

SA2 / 3 / 12

Ebenenbestimmte Dimension Produkt

Produkt-hierarchie

Warenhaupt-gruppe{ }

Warengruppe{ }

Warenunter-gruppe{ }

Produkt{ }

Hersteller-hierarchie

Hersteller{ }

Bezeichnung

Verpackungsart

Verpackungs-größe

Gewicht

Anzahl aufeiner Palette

{ } EigeneProdukte

{ } Fremdprodukte

7

SA2 / 3 / 13

Beziehungstypen in ADAPT

Fully exclusive Fully overlapping

Partially exclusive Partially overlapping

SA2 / 3 / 14

Cube-Modellierung

ZeitKostenstelleKostenartSzenarioKennzahl

Controlling

Zeit

Kalender-hierarchie

Jahr{ }

Quartal{ }

Monat{ }

Kostenstelle

Kostenstellen-verantwortlicher

Kostenart

Kostenarten-Hierarchie

Kostenart{ }

Kostenstellen-Hierarchie

Kostenstelle{ }

Szenario

{ } Ist

{ } Plan

{ } Abweichung

Ist - Plan

Kennzahl

{ } Kosten

8

SA2 / 3 / 15

Modellierung einer abgeleiteten Teilsicht eines Cubes

ZeitKostenstelleKostenartSzenarioKennzahl

Kosten

Prognose-rechnung

PrognostizierteKosten

1

SA2 / 3 / 1

Agenda


Modellierung

SA2 / 3 / 2

DV-Speicherungskonzept mit multidimensionalen Datenbanken

• Spezifische Ausrichtung auf multidimensionale Datenstrukturen ermöglicht i.d.R. 1:1-Umsetzung des semantischen Konzeptes

• Hypercube- vs. Multicube-Ansätze• Komplexe Rule-Programmierung• Keine Standards (ggf. durch die Microsoft-API OLE DB for

OLAP)

• Keine einheitlichen Schema-Vorgaben

2

SA2 / 3 / 3

Normierung und Standardisierung bei MDB

Catalog

Schema

Cube Dimension Hierarchy

Level

Member Property1n

1n

n1

1 n 1 n

n1

n1

1 n

Microsoft OLE-DB for OLAP

SA2 / 3 / 4

Würfel- und Dimensionsübersicht in Delta Alea

3

SA2 / 3 / 5

Dimensionsstrukturen in Delta Alea

SA2 / 3 / 6

Dimensionsstrukturen in Delta Alea

4

SA2 / 3 / 7

Dimensionsstrukturen in Hyperion Essbase

SA2 / 3 / 8

RegelnVerknüpfungs- und Ableitungsregeln für Dimensionselemente

Hyperion Essbase

MIS Alea

5

SA2 / 3 / 9

Freiheitsgrade beim Design

Werbedetail

Artikel-IDPerioden-IDRegion-IDAbsatzmenge

Artikel

Artikel-IDBezeichnungFarbe

Periode

Perioden-IDBezeichnung

Region

Region-IDBezeichnungFläche in qkmBevölkerung

1n

1

n

n

Beispiel Farbe1.) Farbe als Attribut

SA2 / 3 / 10

Freiheitsgrade beim Design

Beispiel Farbe2.) Farbe als Hierarchie

Werbedetail


Artikel


Periode


Region


1n

1

n

n

6

SA2 / 3 / 11

Freiheitsgrade beim DesignBeispiel Farbe3.) Farbe als Teil der Artikel-ID

Werbedetail


Artikel


Periode


Region


1n

1

n

n

SA2 / 3 / 12

Freiheitsgrade beim DesignBeispiel Farbe4.) Farbe als Dimension

Werbedetail


Artikel


Periode


Region


1n

1

n

n

1


1) Abgrenzung und Einordnung von CPM und BI2) Architekturen und Komponenten analyseorientierter Informationssysteme3) Bestandteile multidimensionaler Datenstrukturen4) Methoden der semantischen Modellierung mehrdimensionaler Datenstrukturen

5) Umsetzung mit multidimensionalen Datenbanksystemen6) Varianten und Bestandteile des Star Schemas7) Erweitertes Star Schema des SAP Business Information Warehouse8)Mehrdimensionales Datenmodell des Microsoft SQL Server9)Zusammenfassende Gegenüberstellung relationaler und multidimensionaler Modellierung

Agenda


Agenda

• Grundform des Star Schemas

• Modellierung von Dimensionshierarchien und Attributen

• Normalisierung von Dimensionen

• Kennzahlen und Kennzahlensysteme

• Aggregate

• Modellierungsvarianten

2


Agenda





• Aggregate



Artik

el

Region

Absatzmenge

471147124713

Nor

d

Ost

Süd

Wes

t

405080

20 157035

2030

...

...

...

...

...

... ... ... ......

...

...............

Periode

01/0502/05 Relation Absatz

Artikel Region Periode Absatzmenge

01/0501/0501/0501/05.......

4711471247134711.......

40203020.......

OstOstOstSüd.......

Übergang vom Würfel zur Relation

3


Artik

el

Region

Absatzmenge

471147124713

Nor

d

Ost

Süd

Wes

t

405080

20 157035

2030

...

...

...

...

...

... ... ... ......

...

...............

Periode



01/0501/0501/0501/05.......

4711471247134711.......

40203020.......




Artik

el

Region

Absatzmenge

471147124713

Nor

d

Ost

Süd

Wes

t

405080

20 157035

2030

...

...

...

...

...

... ... ... ......

...

...............

Periode



01/0501/0501/0501/05.......

4711471247134711.......

40203020.......



4


Relationale Mehrdimensionalität

VertriebArtikel-IDPerioden-IDRegionen-IDAbsatzmenge

ArtikelArtikel-IDBezeichnungMaßeinheitPackungFarbe

PeriodePerioden-IDBezeichnung

RegionRegion-IDBezeichnungFläche in qkmBevölkerung

1

n

1

n

1

n

FaktentabelleFaktentabelle

DimensionstabellenDimensionstabellen

Star-SchemaStar-Schema

DimensionstabellenDimensionstabellenDimensionstabellenDimensionstabellen


Einfaches Star Schema

Vertriebsweg

ProduktZeitMarketing

5


Agenda





• Aggregate



Flache Struktur: Dimensionstabelle Vertriebsweg

Vertriebsweg_Id Vertriebsweg

1 Partner

2 Katalog

3 E-Shop

6


Balancierte Baum/Waldstruktur: Dimensionstabelle Zeit

Zeit_Id Monat Quartal Jahr

1 Januar Q1 2004

2 Februar Q1 2004

3 März Q1 2004

4 April Q2 2004

5 Mai Q2 2004

… … … …

12 Dezember Q4 2004

13 Januar Q1 2005

14 Februar Q1 2005

… … … …

24 Dezember Q4 2005


Unbalanciert: Dimensionstabelle Produkt (Ausschnitt)

Produkt_Id Produkt Untergruppe Gruppe Hauptgruppe

1 100 ? Widerstände Bauteile Elektronik

2 1 k? Widerstände Bauteile Elektronik

… … … … …

51 250 ?F Kondensatoren Bauteile Elektronik

52 500 ?F Kondensatoren Bauteile Elektronik

… … … … …

101 PA600 NULL Verstärker High Fidelity

102 PAX300 NULL Verstärker High Fidelity

103 PAX450 NULL Verstärker High Fidelity

… … … … …

7


Parallele Hierarchie: Kalender und Geschäftsjahressicht

Zeit_Id Monat Quartal Jahr Geschäftsjahr

1 Januar Q1 2004 2003/2004

2 Februar Q1 2004 2003/2004

3 März Q1 2004 2003/2004

4 April Q2 2004 2004/2005

5 Mai Q2 2004 2004/2005

… … … … …

12 Dezember Q4 2004 2004/2005

13 Januar Q1 2005 2004/2005

14 Februar Q1 2005 2004/2005

… … … … …

24 Dezember Q4 2005 2005/2006


Anteilige Verrechnung und Heterarchien

• Aufhebung der 1:n-Beziehung zwischen Ebenen der Konsolidierungshierarchie impliziert

– entweder Summation als Verdichtung (Heterarchie)– oder allgemeine Verdichtung (anteilige Verrechnung)

• Realisierung über zwei unterschiedliche Dimensionen

• Für anteilige Verrechnung sind Aggregate notwendig

8


Attribute in Dimensionen


Agenda





• Aggregate


9


Normale Produktdimension


Normalisierte Produktdimension

10


Partitionierte Produktdimension


Agenda





• Aggregate


11


Kennzahlen und Kennzahlensysteme

• Speicherung von Kennzahlen als Wertspalten in der Faktentabelle

– Alle Kennzahlen sind isoliert und unabhängig voneinander

– Berechnung ist Teil des ETL-Prozesses

• Alternativ Kennzahlen in Dimension– Künstliche Faktenspalte für

Kennzahlenwert in Faktentabelle– Bei nicht additiven Abhängigkeiten mit

gespeicherten Aggregaten

FTMarketing

Zeit_Id (FK)Produkt_Id (FK)Vertriebsweg_Id (FK)

AbsatzUmsatz


Agenda





• Aggregate


12


Aggregate

• Dynamische Berechnung:– Abfrage über SQL– Typischerweise viele Datensätze

der Faktentabelle betroffen– Join aller beteiligten Tabellen

• Vorberechnete Aggregate in der Faktentabelle:

– Qualifikation der Aggregattupel über entsprechende Dimensionsschlüssel

– Zusätzliches Level-Attribut hilfreich

Zeit_Id Monat Quartal Jahr

1 Januar Q1 2004

2 Februar Q1 2004

3 März Q1 2004

4 April Q2 2004

… … … …

12 Dezember Q4 2004

13 Januar Q1 2005

14 Februar Q1 2005

… … … …

24 Dezember Q4 2005

101 NULL Q1 2004

… … … …

104 NULL Q4 2004

105 NULL Q1 2005

… … … …

108 NULL Q4 2005

1001 NULL NULL 2004

1002 NULL NULL 2005


Fact Constellation Schema

13


Snow Flake Schema


Agenda





• Aggregate


14


Galaxien


Faktenlose Faktentabellen

• Factless Fact Tables: Faktentabellen, die gar keine Kennzahl beinhalten

• Dienen der Verfolgung von Ereignissen (Vorkommen der Schlüsselkombination,oftmals ergänzt um künstliches Zählfaktum in der Faktentabelle)

• Ebenfalls nicht eingetretene Ereignisse(z.B. beworbene aber nicht verkaufte Produkte)

Beispiel: Wirksamkeit von Werbemassnahmen– Lift: Ist der Umsatz beworbener Produkte höher als üblich?– Time shifting: Fallen die Umsätze der beworbenen Produkte nach der Werbung

wieder auf das vorherige Niveau?– Cannibalization: Verdrängt der Mehrumsatz eines beworbenen Produktes den

Umsatz anderer Produkte?

15


Überlagerungstabelle


Minidimensionen

16


Hierarchien über rekursive Beziehungen

Kostenstelle_Id Kostenstelle Übergeordnete_Kostenstelle_Id

1 40 NULL

2 41 1

3 45 1

4 451 3

5 452 3

Kostenstelle_Id Kostenstelle Übergeordnete_Kostenstelle_Id

1 40 NULL

2 41 1

3 45 1

4 46 1

5 451 3

6 452 3

7 452 4


Temporale Aspekte / Slowly Changing Dimensions

• Kimball:– Keine Historisierung– Einzelne Versionen– Erste und aktuelle Ausprägung

Produkt_AId Produkt_Id Produkt Version Gruppe

... ... ... ... ...

67 101 PA600 1 High Fidelity

68 102 PAX300 1 High Fidelity

314 102 PAX300 2 Consumer Electronic

69 103 PAX450 1 High Fidelity

... … … ... …

Produkt_Id Produkt Gruppe Aktuelle_Gruppe

... ... ... ...

101 PA600 High Fidelity High Fidelity

102 PAX300 High Fidelity Consumer Electronic

103 PAX450 High Fidelity High Fidelity

… … … ...

1





Modellierung

Agenda


Agenda

• Architektur des Business Information Warehouse der SAP AG

• Erweitertes Star Schema der SAP AG

• Modellierungsvarianten von hierarchischen Dimensionsstrukturen

• Zeitabhängigkeit und Versionierung


• Grafische Modellrepräsentation

2


Agenda








Architektur SAP® Business Information Warehouse

BW-Server

XML-Daten FlacheDateien

Non-SAP-Systeme SAP R/2 SAP R/3 SAP BW

FILE BAPI ServiceAPI

ODS

PSA

Info-CubesAdministratorWorkbench OLAP-

Prozessor

Metadaten-Manager Daten-Manager

Staging-Bereich

Administration

Scheduling

Monitoring

BAPI ODBO XML/A

Stamm-daten

Open Hub Service

DBConnect

Meta-daten

XML

Data Marts

SAP Anwendungen

Non-SAP-Anwendungen

DB

XML

Third-Party-Werkzeuge

BusinessExplorer

Metadaten-austausch

3


Fortschreibungsregeln

Fortschreibungsregeln

Datenfluss und Integrationsarchitektur

Quellsysteme

VertriebsdatenEMEA

VertriebsdatenUSA

Vertriebs-plandaten

nichttransformierteQuelldaten

Übertragungs- und Fortschreibungsregeln

OD

SEx

trak

tion

Anw

endu

ng v

onB

usin

ess-

Rul

es

Vertriebs-marktdaten

IstdatenVertrieb

PlandatenVertrieb

Vertriebs-marktdaten

Konsolidierungverschiedener Datenquellen

Vertriebs-daten

PSA

betriebswirtschaftlicheKonsolidierung

Info

-Cub

es Aggregation

Tran

sfor

mat

ion


Arten von Info-Cubes

Info-Cubes im BW-Server

Quellsysteme

ETL-Schicht

Abfrage-Schicht

Front-End

DirekterDurchgriff

Periodische Datenbeschaffung

Remote-Cube

Multi-Cube

Basis-Cubes

Form des InfoCube, der einen in sich geschlossenen

Datenbestand eines betriebswirtschaft-lichen Bereiches

enthält und physisch gespeichert vorliegt.

Übergeordneter Cube, der Daten aus

mehreren Cubes in einen gemeinsamen

Kontext stellt. Er enthält selbst keine

Daten!

Die Bewegungsdaten werden in diesem Fall nicht im BW, sondern extern verwaltet. Im

BW wird lediglich die Struktur des Remote-Cubes definiert. Für

das Reporting gelangen die Daten

über eine BAPI -Schnittstelle ins BW.

4


Agenda








Datenziele sind Objekte, in denen Bewegungsdaten für Reporting-und Analysezwecke gehalten werden. Die Wichtigsten sind:

Info-Cubes

ODS-Objekte

Daneben gibt es im BW noch weitere Datenziele, die u. a. ein direktes Stammdaten-

Reporting ermöglichen (Info-Sets, Info-Objekte)

Datenziele im SAP® BW

5


Definition Info-Cube

• Der InfoCube ist ein zentraler Datenspeicher, auf dem Berichte und Analysen im SAP® BW basieren. Er enthält einen in sich geschlossenen Datenbestand z. B. eines betriebswirtschaftlichen Bereichs oder einer Geschäftseinheit.

• InfoCubes enthalten zwei Datentypen: Kennzahlen und Merkmale.

• Der Begriff „InfoCube“ bezeichnet eine Tabellenstruktur, in der eine Anzahl relationaler Tabellen im Sinne des sog. Star Schema-Datenmodells miteinander verknüpft sind.(multi-dimensionale Datenspeicherung)

• Star Schema: Dimensionstabellen gruppieren sich sternförmig um eine zentrale Faktentabelle.


Star Schema

• Das Star Schema ist die häufigste Art der Abbildung mehrdimensionaler Datenstrukturen in relationalen Datenbanken.

• Im Star Schema werden die Fakten in einer separaten Faktentabelle gespeichert, während die Merkmale in Dimensionstabellen gruppiert werden. Die Dimensionstabellen sind über Fremdschlüssel- / Primärschlüsselbeziehungen (DIM ID) mit der Faktentabelle verbunden.

• Auf diese Weise werden alle Datensätze aus der Faktentabelle eindeutig durch eine Wertekombination dieser Fremdschlüssel aus den Dimensionstabellen gekennzeichnet.

6


☺Hohe Performance bei der Analyse von Daten ☺Hohe Flexibilität beim Hinzufügen von Merkmalen

und Kennzahlen.

KAufgrund der Eindeutigkeit des Schlüssels in den Dimensionstabellen können keine

-N : M Beziehungen und -nur schlecht unbalancierte Hierarchien

dargestellt werden.

Deshalb entschied sich die SAP AG zur Erweiterung des Star – Schemas. Beim erweiterten Star Schema werden Stammdaten separat und unabhängig von den InfoCubes gespeichert.

Vor- und Nachteile des allgemeinen Star Schemas


Das erweiterte Star Schema ermöglicht Zugriff auf:

•Stammdatentabellen und ihre zugehörigen Attribute

•Texttabellen mit umfassenden mehrsprachigen Beschreibungen

•Externe Hierarchietabellen für den strukturierten Datenzugriff

SID-Tabellen (Zeigertabellen) liefern die technische Verknüpfung zu den

Stammdaten- und Hierarchietabellen außerhalb der Dimensionstabellen

eines Star-Schemas.

Erweitertes Star Schema

7


Faktentabelledes Info-Cube

DimensionstabelleZeit

DimensionstabelleProdukt

DimensionstabelleKunde Attribute Produkt:

Produktgruppe

Texte Produkt:Sprache, Bezeichnung

Hierarchien Produkt:Produkthierarchie

Attribute Kunde:Kundengruppe

Texte Kunde:Sprache, Bezeichnung

Hierarchien Kunde:Kundenhierarchie

Attribute Zeit:Feiertag

Texte Zeit:Sprache, Bezeichnung

Hierarchien Zeit:Kalenderhierarchie

Info

-Cub

e

Dimension ZeitDimension

Produkt

DimensionKunde

Info-Cube und Stammdaten


Stammdaten

Info-Cube

Stammdatenanbindung über SID-Tabellen

.

K P Z Absatz Umsatz .......

20 1000

50 2500

SID-Region Region

23 S5

DimensionstabelleKunde

K SID-Kunde SID-Kette SID-Niederl. SID- Zentrale

522 170

SID-Kette Kette

170 12769

Faktentabelle

DimensionstabelleProdukt

DimensionstabelleZeit

SID-Tabellefür Attribute

SID-Tabelle für Attribute


SID-Kunde Kunde

522 3417226

SID-Region

23

Kunde Text

3417226 Lampen Müller

Text-Tabellen für (sprachabhängige)

BezeichnungenRegion Text

S5 Süd 5/Frankfurt

8



K SID-Kunde. SID-Kette SID-Niederl. SID- Zentrale

522 170

SID-Tabelle BIC/XKundefür nicht-zeitabhängige Navigations-Attribute

SID-Kunde Kunde

522 3417226

SID-Region

23

SID-Tabelle BIC/SKundeStandard SID-Tabelle

SID-Kunde Kunde

522 3417226

SID-Tabelle BIC/YKundefür zeitabhängige

Navigations-Attribute

SID-Kunde Kunde DateFrom

522 3417226 ...

SID-Klasse

12

DateTo

...

Kunde Kundenname

3417226 Lampen Müller

Kunde

3417226

RegionDateFrom

...

DateTo

...

Stammdaten-Tabelle BIC/PKundefür nicht-zeitabhängige

Anzeige-AttributeStammdaten-Tabelle BIC/QKunde

für zeitabhängigeAnzeige-AttributeSüd 5/Frankfurt

S

X

Y

P

Q

Verschiedene Stammdaten-Tabellen


Hierarchietabellen

Kundengruppe A

Knoten

-21234

SIDSID der Hierarchie

S

Hierarchietabelle /BIC/KKundeTextknoten der Hierarchien

-21

pred

522234

succSID der Hierarchie Hierarchietabelle /BIC/IKundeParent-Child-Tupel der Hierarchien

3417226522

KundeSID-Kunde SID-Tabelle /BIC/SKundeStandard SID-Tabelle

I

K

…

SID-ZentraleDim-ID

170

SID-Kette

…522

SID-Niederl.SID-KundeDimensions-Tabelle Kunde

9


(1) Fakten(1) Fakten--TabelleTabelle

(2) Dimensions(2) Dimensions--TabellenTabellen

(3) zeit(3) zeit--unabhängigeunabhängige--SIDSIDzeitzeit--abhängigeabhängige--SIDSIDherkömmliche SID herkömmliche SID

(4) SID Attribute(4) SID Attribute

InfoCube

Komplexität des erweiterten Star Schemas im Überblick


Line-Item Dimensionen


20 1000

50 2500

SID-Region Region

23 S5

K SID-Kunde

522

Faktentabelle



SID-Kunde Kunde

522 3417226

SID-Region

23



20 1000

50 2500

SID-Region Region

23 S5

Faktentabelle



SID-Kunde Kunde

522 3417226

SID-Region

23

Line-Item:

Dimensionstabelleentfällt

10


Agenda








Hierarchische Strukturen über Merkmale

SIDs

MerkmalKunde

MerkmalRegion

MerkmalLand

Kunde

Region

Land

Dimensionstabelle

11


Hierarchien in Dimensionen / Eigenschaften

• Ein Info-Objekt je levelà balancierte Struktur

• Schnellste Variante zur Abbildung von hierarchischen Strukturen

• Übergeordnete Attribute sind in Aggregate mit einzuschließen

• Keine vordefinierten Navigationspfade im BEx


SIDs

Navigationsattribute als Basis für hierarchische Strukturen

SID

MerkmalKunde

AttributRegion

AttributLand

Kunde

Region

Land

Dimensionstabelle

StammdatentabelleAttribute

12


Hierarchien über Attribute in Stammdaten / Eigenschaften

• Ein Info-Objekt je levelà balancierte Struktur

• Übergeordnete Attribute sind in Aggregate mit einzuschließen

• Keine vordefinierten Navigationspfade im Bex

• Schlechte Performance

• Hohe Flexibilität zur Reorganisation


Child Parent

Externe Hierarchien im BW

SID

MerkmalKunde

Textknoten

Kunde

Kanten

Dimensionstabelle

StammdatentabelleHierarchie

(Inclusion Table)

13


Externe Hierarchien / Eigenschaften

• Gut bei häufigen Strukturänderungen

• Unbalancierte Strukturen

• Mehrere Hierarchien pro Info-Objekt abbildbar und selektierbar

• Schlechte Performance ähnlich Navigationsattribute

• große Hierarchien problematisch

• Aggregate bei Zeitabhängigkeit nur bei gesamter Struktur zeitabhängig


Agenda







14


Zeitabhängigkeit: Strukturelle Veränderungen in Dimensionen

P1 P2 P3 P4 P5

PG1 PG2

P1 P2 P3 P5 P6

PG1 PG2Strukturveränderungen

P4 gelöschtP6 hinzugefügtP3 verändert


Beispiel für “Slowly Changing Dimensions”

2003-042003-042003-042003-042003-052003-052003-052003-052003-05

Periode

100100100100100100100100100

P AP BP CP DP AP BP CP DP E

UmsatzProdukt

Fakten-Tabelle

PG XPG Y (geändert)

PG YPG Y

PG Y (neu)

P AP BP CP DP E

ProduktgruppeProdukt

Produktdimension in 2003-05

PG XPG XPG YPG Y

P AP BP CP D



15


Berichtsanforderungen - Szenarien

100300

Umsatz 2003-04

100400

PG XPG Y

Umsatz 2003-05Produktgruppe

200200

Umsatz 2003-04

200200

PG XPG Y


200200

Umsatz 2003-04

100400

PG XPG Y


100200

Umsatz 2003-04

100200

PG XPG Y


Berichtsszenario aktuelle Struktur

Berichtsszenario alte Struktur

Berichtsszenario historische Wahrheit

Berichtsszenario vergleichbare Resultate


Szenario I : Bericht mit aktueller Struktur

2003-042003-042003-042003-042003-052003-052003-052003-052003-05

Periode

100100100100100100100100100


UmsatzProdukt

Fakten-Tabelle

100300

Umsatz 2003-04

100400

PG XPG Y



PG YPG Y

PG Y (neu)

P AP BP CP DP E



16


Abfrageweg „aktuelle Struktur“ über Navigationsattribute

PG XPG Y

47114712

ProduktgruppeProduktgruppe SID

S-Tabelle von Produktgruppe

P AP BP CP DP E

Produkt

47114712471247124712

10011002100310041005

Produktgruppe SIDProdukt SID

X-Tabelle von Produkt

Dimensions-Tabelle Produkt

2526272829

10011002100310041005

Produkt DIM IDProdukt SID

„2003-04“„2003-04“„2003-04“„2003-04“„2003-05“„2003-05“„2003-05“„2003-05“„2003-05“

„Periode“

100100100100100100100100100

252627282526272829

UmsatzProdukt DIM ID

Fakten-Tabelle

100300

Umsatz 2003-04

100400

PG XPG Y

Umsatz 2003-05

Produktgruppe


Abfrageweg „aktuelle Struktur“ über externe Hierarchie

PG XPG Y

-2-3

nodenameSID

K-Tabelle von Produkt

10011002100310041005

succ

-2-3-3-3-3

pred

I-Tabelle von Produkt


2526272829

10011002100310041005


„2003-04“„2003-04“„2003-04“„2003-04“„2003-05“„2003-05“„2003-05“„2003-05“„2003-05“

„Periode“

100100100100100100100100100

252627282526272829


Fakten-Tabelle

100300

Umsatz 2003-04

100400

PG XPG Y

Umsatz 2003-05

Produktgruppe

17


Szenario II : Bericht mit alter Struktur

2003-042003-042003-042003-042003-052003-052003-052003-052003-05

Periode

100100100100100100100100100


UmsatzProdukt

Fakten-Tabelle

200200

Umsatz 2003-04

200200

PG XPG Y


PG XPG XPG YPG Y

P AP BP CP D




Abfrageweg „alte Struktur“ über zeitabh. Navigationsattribute

PG XPG Y

47114712



1000-011000-012003-051000-011000-012003-05

gültig ab

9999-122003-049999-129999-129999-129999-12

gültig bis

P AP BP BP CP DP E

Produkt

471147114712471247124712

100110021002100310041005

Produktgruppe SIDProdukt SID

Y-Tabelle von Produkt


2526272829

10011002100310041005


„2003-04“„2003-04“„2003-04“„2003-04“„2003-05“„2003-05“„2003-05“„2003-05“„2003-05“

„Periode“

100100100100100100100100100

252627282526272829


Fakten-TabelleQuery key date2003-04

200200

Umsatz 2003-04

200200

PG XPG Y

Umsatz 2003-05

Produktgruppe

18


Abfrageweg „alte Struktur“ über zeitabhängige Hierarchie

PG XPG Y

-2-3

nodenameSID

K-Tabelle von Produkt

1111

Version

1001100210031004

succ

-2-2-3-3

pred

I-Tabelle von Produkt


2526272829

10011002100310041005


„2003-04“„2003-04“„2003-04“„2003-04“„2003-05“„2003-05“„2003-05“„2003-05“„2003-05“

„Periode“

100100100100100100100100100

252627282526272829


Fakten-Tabelle

200200

Umsatz 2003-04

200200

PG XPG Y

Umsatz 2003-05

Produktgruppe

2003-049999-12

Gültig bis

1000-012003-05

gültig ab

12

Version

Query key date2003-04


Szenario III : Bericht nach historischer Wahrheit

2003-042003-042003-042003-042003-052003-052003-052003-052003-05

Periode

100100100100100100100100100


UmsatzProdukt

Fakten-Tabelle


PG YPG Y

PG Y (neu)

P AP BP CP DP E



PG XPG XPG YPG Y

P AP BP CP D



200200

Umsatz 2003-04

100400

PG XPG Y


19


Abfrageweg „historische Wahrheit“ über Merkmale

PG XPG Y

47114712




471147114712471247124712

Produktgruppe SID

252630272829

100110021002100310041005


„2003-04“„2003-04“„2003-04“„2003-04“„2003-05“„2003-05“„2003-05“„2003-05“„2003-05“

„Periode“

100100100100100100100100100

252627282530272829


Fakten-Tabelle

200200

Umsatz 2003-04

100400

PG XPG Y



Szenario IV : Bericht mit vergleichbaren Resultaten

2003-042003-042003-042003-042003-052003-052003-052003-052003-05

Periode

100100100100100100100100100


UmsatzProdukt

Fakten-Tabelle


PG YPG Y

PG Y (neu)

P AP BP CP DP E



PG XPG XPG YPG Y

P AP BP CP D



100200

Umsatz 2003-04

100200

PG XPG Y


20


Abfrageweg „vergl. Resultate“ über zeitabh. Nav-Attribute

PG XPG Y

47114712

ProduktgruppeProd.grp. SID


9999-122003-049999-129999-129999-129999-12

ben. bis

1000-011000-012003-051000-011000-012003-05

ben. ab

1000-011000-012003-051000-011000-012003-05

gültig ab

9999-122003-049999-129999-129999-129999-12

gültig bis

P AP BP BP CP DP E

Prod.

471147114712471247124712

100110021002100310041005

Prod.grp. SIDProd. SID

Y-Tabelle von Produkt


2526272829

10011002100310041005

Produkt DIM IDProd. SID

„2003-04“„2003-04“„2003-04“„2003-04“„2003-05“„2003-05“„2003-05“„2003-05“„2003-05“

„Periode“

100100100100100100100100100

252627282526272829


Fakten-Tabelle

Query key date2003-04 od. 2003-05

100200

Umsatz 2003-04

100200

PG XPG Y

Umsatz 2003-05

Produktgruppe

ben. ab < 2003-04ben. bis > 2003-05


Agenda







21


Gestaltungsempfehlungen

• Modellierung von Dimensionsstrukturen

• Gestaltung von Info-Providern


Gestaltungsüberlegungen der Dimensionsmodellierung auf semantischer Ebene

• Anzahl der Dimensionen zwischen vier und zehn (ideal zwischen sechs und acht)

• Anzahl der Hierarchiestufen (maximal sieben Hierarchiestufen)

• Anzahl der Elemente je Konsolidierungselement (maximal fünfzehn bis zwanzig Elemente)

• Bestimmung von Dimensionen (1:1-Beziehungen ungeeignet; 1:N-Beziehungen bilden Dimensionshierarchie; M:N-Beziehungen stellen zwei Dimensionen dar)

22


Gestaltungsüberlegungen der Dimensionsmodellierung auf logischer und physischer BW-Ebene

• Merkmale mit vielen Ausprägungen als Line-Item modellieren

• Attribute, die sich häufig ändern, sollten als eigene Dimension modelliert werden (Line Item beachten!)

• Steigt die gesamte Dimensionsanzahl, sind ggf. Merkmale in eine Dimension zusammen zu fassen, die jeweils selbst wenige Ausprägungen haben

• Große Dimensionen möglichst eigene Dimension, Parent-Merkmale evtl. in eigene Dimension


Kriterien zur Entscheidungshilfe der logischen Modellierung von Dimensionsstrukturen im BW

• Historisierung

• Wirkungsbereich

• Performance

• Navigationspfade

• Unbalancierte Dimensionsstrukturen

• Blätter mit mehreren Parent-Elementen

• Strukturänderungen und Reorganisation

23


Hierarchie-Guideline: Historisierung

• Sicht zum Zeitpunkt des Ladens nicht vorhanden

• Nur die gültige Sicht der Stammdaten zum Zeitpunkt der Auswertung

• Nur Sicht zum Zeitpunkt des Ladens möglich

• Sicht zum Zeitpunkt des Ladens nicht vorhanden

• Sichten per Version oder Schlüsseldatum

Hierarchie über Attribute

Hierarchie in Dimension über Merkmale

Externe Hierarchie


Hierarchie-Guideline: Wirkungsbereich

Hierarchie hängt in den Stammdaten und gilt daher für dieses Info-Object in allen Info-Cubes

Nur im Info-CubeHängt am Info-Objectund gilt daher für dieses Info-Object in allen Info-Cubes



Externe Hierarchie

24


Hierarchie-Guideline: Performance

Aggregate werden unbedingt benötigt für performante Abfragen

Auch ohne Aggregate recht performant

Aggregate werden unbedingt benötigt für performante Abfragen



Externe Hierarchie


Hierarchie-Guideline: Navigations-Pfade

Ebenen können übersprungen werden, da Navigationspfad nicht vordefiniert ist

Ebenen können übersprungen werden, da Navigationspfad nicht vordefiniert ist

Vordefinierte Navigation entlang der Hierarchie-Struktur



Externe Hierarchie

25


Hierarchie-Guideline: unbalancierte Dimensionsstrukturen

Jedes Attribut korrespondiert mit einer festgelegten Ebene der Hierarchie, also nur balancierte Strukturen

Jedes Merkmal korrespondiert mit einer festgelegten Ebene der Hierarchie, also nur balancierte Strukturen

Unbalancierte Strukturen sind abbildbar



Externe Hierarchie


Hierarchie-Guideline: Blätter mit mehreren Parent-Elementen

Nicht möglichNur in dem Maße, wie es in der Faktentabelle gebucht wurde

m:n-Beziehungen zwischen Ebenen möglich



Externe Hierarchie

26


Hierarchie-Guideline: Strukturänderungen und Reorganisation

Reorganisation möglich durch zusätzliche Attribute

Reorganisation nicht möglich, ohne den Info-Cube neu zu laden

Schnelles Verändern der Hierarchie möglich



Externe Hierarchie


2-Layer Konzept der Cube-Modellierung

Multi-Cube

physischoptimiert

Fachanwenderorientiert

Basis-Cube Basis-Cube Basis-Cube

27


Agenda








Dimension mit einem Merkmal

T Short, Medium,Long

Dimension

Characteristic{ }

28


Line-Item-Dimension

T Short, Medium,LongLD

DimensionLI

Characteristic{ }


Anzeige-Attribute eines Merkmales

Dimension

D Display-Attrib.

T Short, Medium,Long

D Display-Attrib.

Characteristic{ }

29


Navigationsattribute eines Merkmales

Dimension

N Nav-Attribute

N Nav-AttributeTD

Characteristic{ }


Hierarchie über Merkmale

Dimension

CharacteristicBase level{ }

CharacteristicMiddle level{ }

CharacteristicTop level{ }

30


Hierarchie über Navigationsattribute

Dimension

N Nav-Attributemiddle level

N Nav-Attributetop level

CharacteristicBase level{ }


Externe Hierarchien

Dimension

Hierarchy(external)

Hierarchy(external)T

Hierarchy(external)

T

TT

Characteristic{ }

31


Modellierung von Basis-Cubes

1





Modellierung

Agenda


Agenda

• Microsoft SQL-Server 2000

– Microsoft Data Warehouse Architektur– Dimensionsmodellierung mit den Microsoft Analysis Services– Attribute und Dimensionen– Modellierung von Cubes– Kennzahlen

• Microsoft SQL Server 2005

– Unified Dimensional Model– Dimensionen

2


Agenda






Architektur Microsoft Data Warehouse

Quellsysteme

Data Transformation Services (DTS)

Data WarehouseSQL Server

Data Transformation Services (DTS)

Analysis Services

OLE DB for OLAP / ADO MD

Front-End

3


Architektur Analysis Services

Analysis Manager

Decision Support Objects (DSO)

Analysis Server

OLAPEngine

Data MiningEngine

MOLAP-Speicher


Agenda





4


Dimensionen in den Analysis Services

• Parents (übergeordnete Elemente)• Siblings (Elemente mit dem gleichen übergeordneten Element)• Children (untergeordnete Elemente)• Cousins (Elemente einer Ebene mit verschiedenen übergeordneten Elementen)• Descendants of x (Nachfolger von x)• Ancestors of x (Vorgänger von x)

A2 A3 A4 A5 A6 A7 A8 A9A1

All Artikel

AG2 AG3AG1

Dimension Artikel


Technische Restriktionen

• 65535 Dimensionen pro Datenbank

• 65535 Ebenen pro Datenbank

• 128 Dimensionen pro Cube

• 256 Ebenen pro Cube

• 64 Ebenen pro Dimension

• 64000 untergeordnete Elemente je übergeordnetem Element

5


Shared vs. Private Dimensionen

Kunde

Produkt

Zeit

Sales-Org Szenario

Hat Auswirkungen auf die Aktualisierungsläufe


Balancierte Dimensionen

Star SchemaSQL-Server

DimensionstabellenStandard oder Snowflake –

Fakten beziehen sich auf die unterste Ebene

A

Alle

AG

Jede Ebene der Dimension wird von einer Spalte einer Dimensionstabelle

des Star Schemas befüllt

A2 A3 A4 A5 A6 A7 A8 A9A1

All Artikel

AG2 AG3AG1

6


Unbalancierte DimensionenStar SchemaSQL-Server


Die „Lücken“ werden redundant gefüllt –

Fakten beziehen sich auf die unterste Ebene



A2 A3 A4 A5 A6 A7 A8 A9A1

Alle

AG2 AG3AG1

AOG1 AG3A

Alle

AG

AOG

Wird ausgeblendet!


Dimensionen auf Basis einer Parent-Child-RelationStar SchemaSQL-Server

Dimensionstabelle mit Parent-Child-Relation –

Fakten können sich auf alle Ebenen beziehen

Die Ebenen werden aus der Selbstrelation abgeleitet –

Ebenenbezeichnungen können vergeben werden

A2 A3 A4 A5 A6 A7 A8 A9A1

Alle

AUG2 AG2AUG1

AG1A

Alle

AUG

AG

Level

1

2

3

4

7


Agenda






Attribute (Elementeigenschaften)



Fakten beziehen sich auf die unterste Ebene –

Mit zusätzlichen Spalten für Attribute je Ebene

A

Alle

AG



A2 A3 A4A1

All Artikel

AG1

Die Attributspalten bedienen die Elementeigenschaften

Preis

PM

Product Manager abc

Preis 1 Preis 2 Preis 3 Preis 4

8


Virtuelle Dimensionen

Dimension mit Attributen

A

Alle

AG

Aus einer oder mehreren Elementeigenschaften wird die virtuelle Dimension abgeleitet

A2 A3 A4A1

All Artikel

AG1

Preis

PM

Product Manager abc

Preis 1 Preis 2 Preis 3 Preis 4

Dimension ArtikelPM abc

All PM

Dimension PM


Agenda





9



Speichervarianten

MOLAP-Speicher

ROLAP MOLAP HOLAP

Speicher

Aggregate

AggregattabellenSQL-Server

Aggregat-Cubes Aggregat-Cubes



Virtuelle Cubes

ActualSales

Forecast

Sales

10


Partitionen

AktuellesJahr

Vorjahr

Historie

ActualSales

Viele Aggregat-Cubes

Wenig Aggregat-Cubes

ROLAP-Speicherohne Aggregate


Agenda





11


Modellierung von Kennzahlen


Numerische Spalten der Faktentabelle

Die Wertspalten der Faktentabelle füllen die Kennzahlen

ActualSalesUnd bilden automatisch die

Kennzahlen-Dimension

MeasuresDie Berechnung erfolgt uniform über alle

Dimensionen hinweg anhand der Aggregat-funktionen sum, count, min, max, distinct count

„Derived Measures“ bieten darüber hinausgehende

Möglichkeiten


Agenda





12


Aktueller Aufbau unternehmensweiter BI-Lösungen

DW

Datamart

Datamart

DatenmodellDatenmodell

Reporting Reporting Tool (3)Tool (3)

MOLAP

MOLAP


ToolToolDatenquelleDatenquelle

OLAP OLAP Browser (2)Browser (2)




Probleme unternehmensweiter BI-Lösungen

DW

Datamart

Datamart



MOLAP

MOLAP






DoppelteDoppelteDatenDaten

DoppelteDoppelteModelleModelle

OLAPOLAPvs.vs.ReportingReporting

13


Relationales vs. OLAP-Reporting

ü

ü

ü

ü

ü

û

û

û

û

û

OLAP

ûEase of navigation and exploration

üDetail reporting

ûRich semantics

ûRich analytics

ûEnd-user oriented

ûHigh performance

üSimple management

üSingle data store

üReal time data access

üFlexible schema

RelationalFeature


The Unified Dimensional Model (UDM)

Relational Reporting• Multiple fact tables• Full richness the

dimensions’ attributes • Transaction level access• Star, snowflake, 3NF… • Complex relationships:

Multi-grains, many-to-many, role playing, indirect…

• Recursive self joins• Slowly changing

dimensions

OLAP Cubes• Multidimensional navigation• Hierarchical presentation• Friendly entity names• Powerful MDX calculations• Central KPI framework• “Actions” • Language translations • Multiple perspectives• Partitions• Aggregations • Distributed sources

14


The Unified Dimensional Model (UDM)

Relational Reporting• Multiple fact tables• Full richness the

dimensions’ attributes • Transaction level access• Star, snowflake, 3NF… • Complex relationships:

Multi-grains, many-to-many, role playing, indirect…

• Recursive self joins• Slowly changing

dimensions

OLAP Cubes• Multidimensional navigation• Hierarchical presentation• Friendly entity names• Powerful MDX calculations• Central KPI framework• “Actions” • Language translations • Multiple perspectives• Partitions• Aggregations • Distributed sources

The Unified Dimensional Model

The Unified Dimensional Model


Unternehmensweite BI-Lösungen mit dem UDM (I)

DW

Datamart

Datamart


BI ApplicationsBI Applications

MOLAP

MOLAP





Reporting Reporting Tool (1)Tool (1)UDMUDM

15


Unternehmensweite BI-Lösungen mit dem UDM (II)

DW

Datamart

Datamart



MOLAP

MOLAP






Ein dimensionales Modell fEin dimensionales Modell füür OLAPr OLAP Analysen und relationales ReportingAnalysen und relationales Reporting


Analysis Services – UDM-Server

XML/

A od

erO

DBO

DW

Datamart

Datamart


MOLAP

MOLAP






AnalysisAnalysisServicesServices

16


MOLAP-Caching

XML/

A or

OD

BO

DW

Datamart

Datamart


MOLAP

MOLAP


ToolTool

DatenquelleDatenquelle





CacheNotificationsNotifications

““Proactive CachingProactive Caching”” –– Automatische Erzeugung und Verwaltung desAutomatische Erzeugung und Verwaltung des MOLAP MOLAP cachecacheTransparentes MOLAPTransparentes MOLAP –– keine Notwendigkeit mehr fkeine Notwendigkeit mehr füürr OLAP OLAP SpeicherSpeicherRelationalesRelationales ReportingReporting mitmit MOLAPMOLAP PerformancePerformance


Virtualisierung von Data Marts

XML/

A or

OD

BO

DW

Datamart

Datamart



ToolTool

DatenquelleDatenquelle OLAP OLAP Browser (2)Browser (2)



UDMUDM’’ss stellenstellen themenspezifische Sichten desthemenspezifische Sichten des DW zur VerfDW zur Verfüügunggung““PerspectivesPerspectives”” feature:feature: BenutzerBenutzer-- und Gruppenspezifische Sichten auf die gleichen Datenund Gruppenspezifische Sichten auf die gleichen DatenGuteGute PerformancePerformance durchdurch Proactive Cache Proactive Cache


Cache

17


Zeitgemäße BI-Infrastruktur

XML/

A or

OD

BO

DW



ToolTool

Data SourceData Source




Vereinheitlichtes (unified)Vereinheitlichtes (unified) logisches Datenmodell flogisches Datenmodell füürr OLAP OLAP und relationales Reportingund relationales ReportingDatenkonsistenz durch einen Datenspeicher (EDW)Datenkonsistenz durch einen Datenspeicher (EDW)


Cache


Agenda





18


Changing Dimension Support

• Drei Arten von Dimensionen, abhängig von Häufigkeit der Änderungen:

– Regular Dimensions:nicht-zeitabhängig, repräsentiert aktuelle Struktur gemäß ETL-Prozess

– Slowly Changing Dimensions (SCDs):Dimensionsänderungen treten nicht so häufig auf und müssen auswertbar sein

– Rapidly Changing Dimensions (RCDs):Häufige oder umfangreiche Änderungen, die auswertbar sein müssen


Slowly Changing Dimensions (SCDs)

• SCD Type I:

keine Historisierung, Attributwerte werden überschrieben, Schlüssel bleibt unverändert

• SCD Type II:

Einzelne Versionen, künstlicher Schlüssel, Gültigkeit über Zeitintervall abgebildet

• SCD Type III:

Originalwert und aktueller Wert als eigene Attribute, auch anwendbar bei n festen Versionen

19


Rapidly Changing Dimensions (RCDs)

• Bei sehr großen Dimensionen und häufigen Änderungen von Attributwerten ist die Versionierung mit SCD Type II unbefriedigend

à Konzept der RCDs

• Speicherung aller möglichen Kombinationen von Dimensionselement und Attributwert in einer Matrix à Rapidly Changing Dimension

• Zusammengesetzter Schlüssel ist Primärschlüssel der Dimensionstabelle und Fremdschlüssel der Faktentabelle, Update erfolgt in der Faktentabelle

1

SA2 / 3 / 1

Agenda


Modellierung

SA2 / 3 / 2

Speicherkomponenten und -technologien analytischer Informationssysteme

Data MartData Warehouse

Data MartOperational Data Store

Integrierte Detaildaten ggf. bis auf Belegebene für operatives Reporting

Relationale Speichertechnologie

Klassische relationale Datenablage (3. Normalform)

Verdichtete Daten (z. B. Tagesbasis)

Relationale Speichertechnologie

Star-Schema-ModelleDenormalisiert

Stark verdichtete Daten mit thematischer Ausrichtung

Relationale oder multidimensionale Speichertechnologie

Star-Schema oder physisch multidimensionale Ablage

2

SA2 / 3 / 3

Vergleich relationales und multidimensionales Speicherkonzept

RelationalesSpeicherkonzept

• Skalierbarkeit• Häufig Read-Only-Lösungen• Beliebige Datenmengen• Zahlreiche Attribute in jeder Dimension

möglich• Mäßige Performance• Zusatzoptionen (Spezielle

Indextechniken)

Multidimensionales Speicherkonzept

• Plattformabhängig• Datenmodifikation möglich

(What If)• Aufblähung des Datenbestandes• Eingeschränkte Attributanzahl je

Dimension• Gute Performance• Black Box

datamodelling–...auf basis von datawarehouses pd dr. peter gluchowskidr. michael hahne 15. juni...

Documents